基于贝叶斯推理的PKPCAM的非线性多模态过程故障检测与诊断方法

针对一类非线性多模态的化工过程,提出一种基于概率核主元的混合模型(PKPCAM),并利用贝叶斯推理策略进行过程监控与故障诊断.在提出的模型中, 每个操作模态由一个局部化的概率核主元分量描述,从而构建的一系列分量对应了不同的操作模态.首先,将过程数据从原始的度量空间投影到高维特征空间;其次,在该特征空间建立概率主元混合模型,从概率角度刻画数据集的多个局部分量特征;最后,在提取的核主元分量内获得测试样本的后验概率,结合模态内的马氏距离贡献度,提出基于贝叶斯推理的全局概率指标进行故障检测,同时利用模态内变量的相对贡献度,基于全局贡献度指标进行故障诊断.利用TEP仿真平台,与基于k均值聚类的次级主元分析和核主元分析的方法进行了对比分析,验证了提出的贝叶斯推理的PKPCAM方法对非线性多模态过程进行故障检测与诊断的可行性和有效性.     

基于深度残差网络的化工过程故障诊断

本工作提出了一种基于深度残差网络(DRN)的化工过程故障诊断方法,可从大量化工过程运行数据中自动提取故障特征。模型采用快捷连接缓解传统深度神经网络训练困难的问题,且使用批归一化(BN)方法,可有效缓解梯度消失/爆炸的问题。以田纳西?伊斯曼(TE)过程为实验对象对所提方法进行诊断性能评价实验,并与以往的基于传统深度学习模型的TE过程故障诊断方法进行对比,进一步探究了模型层数、BN技术和残差结构对故障诊断率的影响,最后,通过t分布随机邻域嵌入(t-SNE)方法对网络部分层的输出进行可视化。结果表明,模型对21种工况取得了94%的平均故障诊断率和0.30%的平均假阳率,表现出更加卓越的诊断性能。输出层的二维散点图显示了清晰的聚类,表明所提出的DRN模型能够对故障进行准确诊断。     

基于独立成分的动态多变量过程的故障检测与诊断方法

化工过程中存在大量测量变量,这些变量一般不是相互独立的,而是由少数必要的潜隐变量驱动,这些潜隐变量通过独立成分分析方法（ICA）抽取出来,可用于故障检测和监控.在基于ICA的故障检测和监控基础上提出一种故障诊断方法——字符串匹配方法,此种方法仅由数据驱动,既不需要训练数据也不需要建立过程模型,实施起来简单方便.通过在TE仿真模型上的应用,表明了此方法的有效性.     

一种新的间歇过程故障诊断策略

间歇过程的在线故障诊断近年来受到了越来越多的关注,目前比较通用的方法主要是多变量统计的方法。然而在实际过程尤其是多阶段的间歇过程中故障诊断效果往往不够理想,误诊率比较高。为解决上述问题,本文基于动态轨迹分析（DLA）和在线的动态时间规整方法（DTW）,将二者的优点有效地结合在一起提出了一种在线故障诊断策略,提高了故障诊断效率和准确性。青霉素发酵过程的在线故障诊断应用实例表明该方法具有比较好的诊断效果。     

基于融合的贝叶斯网络的冷水机组故障诊断

基于贝叶斯网络（BN）的开放式结构,将现场观测信息融入到BN中,用以改善故障诊断性能。引入距离拒绝机制,以确定在故障为假时传感器测量参数的概率分布。提出了一种基于融合的BN的冷水机组故障诊断方法,该方法能够检测新故障和动态更新故障库。使用ASHRAE RP-1043的故障实验数据对提出的方法进行验证,结果显示：提出方法对新故障NF1的检测正确率为99.8%,现场观测信息的融入将新故障NF2的检测正确率提高了32.6%,并将已知故障rl（制冷剂泄露）和ro（制冷剂充注过量）的诊断正确率分别提高了4.8%和11.2%。     

基于MPCA-MDPLS的间歇过程的故障诊断

针对间歇过程的故障诊断问题,提出了一种新的混合模型方法——MPCA-MDPLS.这种方法包括两个模型：多向主元分析(MPCA)模型和多向判别部分最小二乘(MDPLS)模型.这两个模型的建模数据不仅包括正常工况的数据,而且还包含了各种已知故障数据.因此,MPCA模型具有检测未知故障的能力.给出了MDPLS模型故障诊断限,对经MPCA模型检测不是未知故障的故障做进一步诊断.如果故障是未知的,可以采取其他的方法来分析新的故障,并按不同类别存入到数据库中.当多次出现这种故障之后（一般≥5次）,把新的故障数据加入到建模数据中,并重新建立MPCA-MDPLS模型.通过对实际工业链霉素发酵过程数据的分析,表明了提出的算法是可行的、有效的,并具有识别未知新故障的能力.     

化工过程故障诊断中的多元统计方法

综述了多元统计方法在化工过程故障诊断领域的理论进展和应用现状,介绍了一些主要的多元统计方法,其中包括主元分析、部分最小二乘、独立成分分析和Fisher判别分析,展望了多元统计方法在化工过程故障诊断领域的发展与应用前景。     

GMM and optimal principal components-based Bayesian method for multimode fault diagnosis

Principal component analysis (PCA) serves as the most fundamental technique in multivariate statistical process monitoring. However, other than determining contributions to a fault from each variable based on the pre-selected major principal components (PCs), the PCA-based fault diagnosis with an optimal selection of PCs is seldom investigated. This paper presents a novel Gaussian mixture model (GMM) and optimal principal components (OPCs)-based Bayesian method for efficient multimode fault diagnosis. First, the GMM and Bayesian inference is utilized to identify the operating mode, and then local PCA model is established in each mode. Second, given that the various principal components (PCs) may contain distinct fault signatures, the behavior of each PC in local PCA is examined and the OPCs are selected through stochastic optimization algorithm. Based on the OPCs, a Bayesian diagnosis system is then formulated to identify the fault statuses in a probability manner. Performance of GMM–OPC Bayesian diagnosis is examined through a numerical example and the Tennessee Eastman challenge process. The efficiency and feasibility are demonstrated.     

Cycle temporal algorithm-based multivariate statistical methods for fault diagnosis in chemical processes

Multivariate statistical process monitoring methods are often used in chemical process fault diagnosis. In this article,(I) the cycle temporal algorithm(CTA) combined with the dynamic kernel principal component analysis(DKPCA) and the multiway dynamic kernel principal component analysis(MDKPCA) fault detection algorithms are proposed, which are used for continuous and batch process fault detections,respectively. In addition,(II) a fault variable identification model based on reconstructed-based ...     

基于贝叶斯网络的复杂系统故障诊断的研究

由于故障树方法在复杂系统的故障诊断应用中存在较大的局限性,其很难解决复杂系统在故障诊断中表现出的事件的多态性、信息的不确定性、故障逻辑关系的不确定性等问题,本文提出了一种新型的贝叶网络方法可以较好的解决这些问题。文中以酸洗线的风机系统的故障诊断为例,验证了这种新型方法的有效性。     

Multiway independent component analysis mixture model and mutual information based fault detection and diagnosis approach of multiphase batch processes

Batch process monitoring is a challenging task, because conventional methods are not well suited to handle the inherent multiphase operation. In this study, a novel multiway independent component analysis (MICA) mixture model and mutual information based fault detection and diagnosis approach is proposed. The multiple operating phases in batch processes are characterized by non‐Gaussian independent component mixture models. Then, the posterior probability of the monitored sample is maximized to identify the operating phase that the sample belongs to, and, thus, the localized MICA model is developed for process fault detection. Moreover, the detected faulty samples are projected onto the residual subspace, and the mutual information based non‐Gaussian contribution index is established to evaluate the statistical dependency between the projection and the measurement along each process variable. Such contribution index is used to diagnose the major faulty variables responsible for process abnormalities. The effectiveness of the proposed approach is demonstrated using the fed‐batch penicillin fermentation process, and the results are compared to those of the multiway principal component analysis mixture model and regular MICA method. The case study demonstrates that the proposed approach is able to detect the abnormal events over different phases as well as diagnose the faulty variables with high accuracy. © 2013 American Institute of Chemical Engineers AIChE J, 59: 2761–2779, 2013     

基于基因表达式编程的化工过程故障诊断知识抽取

专家系统是化工过程故障诊断最常用的技术之一。专家系统的基础是专家知识,而知识获取一直是专家系统的"瓶颈"问题,所以知识提炼是开发化工过程故障诊断专家系统的关键技术。本文提出了一种基于基因表达式编程(GEP)的化工过程故障诊断知识的提取技术,通过模糊函数对数据进行模糊化处理,利用GEP演化特性从数据库中找出异常以及产生这些异常的原因,从而获得用于故障诊断的知识规则。实际案例研究结果显示,该技术与领域专家结合能有效提取故障诊断知识,可作为化工过程故障诊断专家系统的知识获取手段。     

基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法

传统统计局部核主元分析（statistical local kernel principal component analysis, SLKPCA）在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析（weighted statistical local kernel principal component analysis, WSLKPCA）的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼（Tennessee Eastman, TE）化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。     

基于复杂网络理论的符号有向图(SDG)化工故障诊断

化工过程系统的大型化和复杂性,仅通过常规方式来描述故障机理越来越受到限制。本文以流程图建模法构建的符号有向图(signed directed graph,SDG)故障模型为基础,将化工过程系统抽象为网络拓扑结构,通过对网络模型的统计特征描述,判断网络的复杂性、小世界性和无标度性,进而以复杂网络中心性理论定量计算网络中各个节点的重要性,分析比较各指标来确定网络中的核心节点,并通过Capocci算法对网络进行社团结构的定量划分,最后以网络中的核心节点确定化工过程中易引起安全事故的关键变量,并用社团划分的结果绘制出化工故障诊断模型的关键路径,确定重点监测部位。案例应用结果表明:该方法可行,为化工过程系统中故障节点和监测提供了新的解决思路,丰富了化工过程故障诊断和预防控制的相关理论。     

DH型空压机异常振动故障诊断

结合历次检修及运行记录，利用频谱分析方法对DH型空气压缩机的异常振动进行分析，判定出产生振动异常的原因为级间冷却器的锈蚀物冲刷至叶轮流道上造成不平衡。为保证全厂的连续生产，压缩机继续运行，待下次系统大修进行处理。     

基于ICA-SVM的复杂化工过程集成故障诊断方法

针对由于复杂操作或多回路控制等因素造成复杂化工过程故障诊断难度加剧问题,提出了一种基于独立成分分析（ICA）和支持向量机（SVM）的集成故障诊断方法。该方法利用快速ICA算法建立正常工况ICA模型,通过监控统计量I²、I_e²、SPE是否超过用核密度估计方法确定相应的置信限检测故障。如检测到故障发生,即用梯度算法计算每一个监控变量对统计量I²、I_e²、SPE的贡献度,根据观察贡献度变化情况初步诊断出可能的故障源,并利用支持向量机多分类算法诊断出初始故障源。利用丁二烯精馏装置的实际工业故障数据验证提出的ICA-SVM集成故障诊断方法的有效性。     

基于主元分析-概率神经网络的制冷系统故障诊断

制冷系统由于内部物质形态的多样性以及系统参数间的高度耦合而较为复杂,也增加了出现故障后的检测及诊断难度。针对制冷系统常见的7种故障,包括局部故障与系统故障,运用主元分析法提取故障样本主要特征,对样本进行降维处理后,基于概率神经网络进行故障诊断。主元分析法可将原始的62个参数分解为相互独立的主元,根据累计贡献率选取一定量的主元,并将其样本输入概率神经网络进行故障诊断,结果表明结合主元分析后的概率神经网络在一定范围内对spread值不敏感,不仅诊断正确率有所提高,而且缩短了诊断耗时。可见,主元分析法的使用可有效优化概率神经网络的诊断性能。